Om prosjektet
For maritim sikkerhetsovervåking utvikler vi nye metoder basert på tilgjengeligheten av store sensorsystemer som overvåker tilstanden og ytelsen til fartøy, maskineri og kraftsystemer. Sensordata blir stadig mer tilgjengelig på globale skipsflåter, med effektiv bredbåndstilkobling til land. Vi utvikler nye, generiske metoder forl tilstands- og/eller ytelsesovervåking, som er prosessen med å identifisere endringer i sensordata som indikerer en utviklende anomali eller feil. I tillegg til å bruke tidligere feildata og mønstergjenkjenningsteknikker for å oppdage anomalier, tester vi modellbaserte tilnærminger som utnytter kunnskap om sensorene og forholdene de vurderer. Vi stoler også på andre datakilder som AIS-data for å studere manøvrer og unngå kollisjoner.
Delprosjekter
- Sequential learning and decision based on sensor data from maritime (ship) data, PhD project for Fredrik Lundvall Wollbraaten
- Data-driven state of health modelling for maritime battery systems, PhD project for Clara Bertinelli Salucci
-
Online contextual anomaly detection in multivariate data streams, PhD project for Per August Jarval Moen
- Clustering and automatic labeling within time series of marine log messages, PhD project for Emanuele Gramuglia
- Bearing fault monitoring, PhD project for Jaroslav Nowak
- Scalable change and anomaly detection in cross-correlated data, PhD project for Martin Tveten (finished in 2021)
- Data-driven methods for multiple sensor streams, with applications in the maritime industry. Phd project for Andreas Brandsæter (finished in 2020)
- Realistic autonomous vessels test bed design using historical AIS traffic data and collision avoidance rules. Post doc project for Azzeddine Bakdi (finished in 2021)
Finansiering
Norsk Forskningsråd gjennom BigInsight
Samarbeid
Norsk Regnesentral, ABB, DNV